Chuyển đến nội dung
Tất cả tài liệu trong thư viện

Máy học nhạy với giá cho giao dịch ảo điện năng

Bài viết arXiv papers · Tác giả: Yinglun Li et al.
Đọc tài liệu gốc

Tóm tắt

Bài nghiên cứu trình bày phương pháp tối ưu hóa danh mục có ràng buộc rủi ro cho giao dịch ảo trên thị trường bán buôn điện Hoa Kỳ. Phương pháp dự báo chênh lệch giá biên theo địa điểm giữa các giờ bằng mạng nơ-ron hồi quy, sử dụng các mối phụ thuộc phát sinh từ quá trình cân bằng thị trường. Cây tăng cường gradient có ràng buộc mô hình hóa cách các chênh lệch này phản ứng với giá thầu ảo ròng, giúp chiến lược tính đến ảnh hưởng mà chính các vị thế của nó có thể gây ra lên giá.

Phân tích thực nghiệm trên PJM, ISO-NE và CAISO cho thấy các danh mục mô hình hóa rõ độ nhạy giá đạt kết quả tốt hơn các danh mục bỏ qua yếu tố này. Bài nghiên cứu cũng báo cáo tỷ lệ Sharpe của cả ba thị trường cao hơn mức của S&P 500, đồng thời ghi nhận hiệu quả thấp hơn trong hệ thống thanh toán hai lần của CAISO so với PJM và ISO-NE. Những kết quả này kết nối thiết kế chiến lược với đánh giá hiệu quả thị trường. Phần tóm tắt được cung cấp không nêu ngày lấy mẫu, giả định về chi phí giao dịch, chi tiết ràng buộc rủi ro hay kiểm định ngoài mẫu, nên chưa đủ để đánh giá liệu hiệu quả được báo cáo có duy trì trong giao dịch thực hay không.

Ý chính

  • Giao dịch ảo được xem là bài toán tối ưu hóa danh mục có ràng buộc rủi ro cho một công ty giao dịch tự doanh.
  • Mạng nơ-ron hồi quy dự báo chênh lệch giá biên theo địa điểm giữa các giờ.
  • Mô hình tăng cường gradient có ràng buộc ước tính cách giá thầu ảo ròng ảnh hưởng đến giá chênh lệch.
  • Mô hình hóa rõ độ nhạy giá cải thiện hiệu quả danh mục được báo cáo trên PJM, ISO-NE và CAISO.
  • Phân tích ghi nhận hiệu quả thanh toán hai lần thấp hơn ở CAISO so với PJM và ISO-NE.

Thẻ

Học máyHợp đồng tương laiXây dựng danh mụcQuản lý rủi ro
Toàn văn
# Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis


# Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis









This paper develops a machine learning-driven portfolio optimization framework for virtual bidding in electricity markets considering both risk constraint and price sensitivity. The algorithmic trading strategy is developed from the perspective of a proprietary trading firm to maximize profit. A recurrent neural network-based Locational Marginal Price (LMP) spread forecast model is developed by leveraging the inter-hour dependencies of the market clearing algorithm. The LMP spread sensitivity with respect to net virtual bids is modeled as a monotonic function with the proposed constrained gradient boosting tree. We leverage the proposed algorithmic virtual bid trading strategy to evaluate both the profitability of the virtual bid portfolio and the efficiency of U.S. wholesale electricity markets. The comprehensive empirical analysis on PJM, ISO-NE, and CAISO indicates that the proposed virtual bid portfolio optimization strategy considering the price sensitivity explicitly outperforms the one that neglects the price sensitivity. The Sharpe ratio of virtual bid portfolios for all three electricity markets are much higher than that of the S&P 500 index. It was also shown that the efficiency of CAISO's two-settlement system is lower than that of PJM and ISO-NE.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.